Post on 03-May-2022
ALGORITMOS
MACHINE LEARNING EN RECURSOS MODELAMIENTO DE DOMINIOS DE ESTIMACIÓN MAPTEK DOMAINMCF
EVOLUTIVOS EN RESERVAS PLANIFICACIÓN ESTRATÉGICAMAPTEK EVOLUTION
MARCELO ARANCIBIA A.
Recursos : Foco en aumento de
productividad en modelamiento de Dominios
de estimación• Con la utilización de algoritmos basados en
RBF el tiempo se GASTA en configurar
parámetros para la obtención de modelo
de recursos, dejando poco tiempo para el
análisis y toma de decisiones sobre el
resultado del proceso.
• Con la utilización de algoritmos de
aprendizaje automático, machine learning,
el tiempo se INVIERTE en el análisis y toma
de decisiones sobre el resultado del proceso
obtenido en tiempo record con Ratios 24:1 y
1000:1 en algunos casos, en otros
simplemente nunca un sistema RBF pudo ser
implementado para obtener el mismo
resultado en proceso de 45 minutos de
DomainMCF
Machine learning Rbf/Global Kriging
DomainMCF desde los datos al modelo … en una corrida
Continuidad desde los datos (trabajo del software)
Dominios complejos…una sola corrida
22 dominios
600,000 metros
sondaje
20 minutos
Los datos ayudan a
la interpretación en
etapas muy
tempranas del
modelo
No es necesario ingresar
o ajustar parámetros para
que los datos respondan
a la preconcepción del
modelo. Si no responden
los datos a mi mindset
debo encontrar la
respuesta…..y la buena
noticia es que la
respuesta es rápida y por
lo tanto TENGO TIEMPO
PARA PENSAR!
DomainMCF . Machine Learning
● Rápido especialmente para gran volumen de datos,
● Robusto, simple y fácil de usar.
● Modelo directo de los datos sin sobrepreparación ni reducción
de data.
● Modelo directo de la unidad mínima de mapeo
● Modelo maneja influencia de datos de distinto soporte
● Automatizado, movimiento sincrónico de paredes
compartidas respecto de interceptos de sondajes
● Fácil integración en workflow existentes
● Plataforma independiente
● Testeado y probado en decenas de data sets
Dominios complejos…una sola corrida
PREGUNTAS
• Los problemas reales de planificación, dada su complejidad, son difíciles de manejar en un tiempo razonable.
• “Las mejores soluciones a los problemas reales a menudo pueden ser obtenidas combinando diferentes enfoques” (Michalewicz and Fogel, 2004).
• Este trabajo muestra la innovadora forma en que los algoritmos evolutivos son combinados con los conceptos de búsqueda local.
• El objetivo es maximizar el valor presente neto a través de una política de leyes de corte y una secuencia de extracción para una mina a cielo abierto usando Maptek Evolution-Strategy.
Reservas : Foco en aumento de
productividad en planificación
En busca del óptimo
Solución
Óptima
Posibles
soluciones
Evolution
Algoritmos Evolutivos
Modelo Evolution
• Strategy :
• Maximizar el VAN bajo restricciones de capacidad, múltiples procesos, múltiples minas y secuencias de extracción, optimizando ley de corte. Plan estratégico
• Origin:
• Optimizar plan sujeto a política de ley de corte previamente implementada, objetivos de movimiento de material blending y optmización de rutas al mismo tiempo. Animación y análisis de congestión. Plan LP y MP
• Epoch:
• Asignación de equipos en frentes de producción, plan de corto plazo, control de recursos, dashboard de producción. Animación de equipos en plan. Plan CP
WORKFLOW MULTIMINAMULTIPROCESO
Evolution Strategy
WORKFLOW MULTIMINAMULTIPROCESO
Evolution Origin
Optimización Plan y Rutas al mismo
tiempo!.....más ahorro de tiempo de
corridas…más tiempo para análisis
tengo!
WORKFLOW MULTIMINAMULTIPROCESO
EvolutionEpoch
Animaciones
con equipos
Live
Dasboards
Gantt de
actividades
Maptek Evolution
Agregando complejidad real
Secuencia de
minado continuo
de fases
Llenado de múltiples
plantas de
tratamientoPolítica de Cutoff Multi elemento
Problemas
- Multi Mina
- Multi Planta
- Multi Stockpile
- Multi elemento
- Multi Flota de equipos
- Sinking Rate
- Mineral Expuesto
- Mezclas o Blending
Maptek Evolution
Restricciones Factibles?
Maptek Evolution
Agregando Complejidad
Real
Problema Complejo Software Simple
Modelo
Cantidad Tamaño en bloques
Preparación Operación Preparación Operación Preparación Operación
Bloques Bloques
EVOLUTION
Preparación
EVOLUTION
Operación
Actual
Preparación
Actual
Operación
1 4,300,000 4.3M 45 3 2400 60 53:1 20:1
1 6,600,000 6.6M 50 7 4800 90 96:1 13:1
2 5,000,000 5.0M 45 5 4800 60 106:1 12:1
1 4,400,000 4.4M 50 9 4800 90 96:1 10:1
1 6,400,000 6.4M 45 4 3600 60 80:1 15:1
2 15,000,000 15.0M 60 12 7200 120 120:1 10:1
Tiempos en Minutos Productividad
EVOLUTION Actual EVOLUTION : Actual
2,460 4,890 4,860 4,890 3,6607,320
0
100
200
300
400
500
4.3M 6.6M 5.0M 4.4M 6.4M 15.0M
Min
uto
s
Numero de Bloques
Total Evolution Total Actual
Conclusiones en Reservas
• Resultados de alta calidad pueden ser obtenidos aplicando métodos aproximativos rápidos, algoritmos evolutivos.
• Las técnicas heurísticas modernas son adaptables y es posible extenderlas fácilmente o combinarlas con técnicas clásicas.
• Los algoritmos evolutivos puede producir resultados de forma rápida y de alta calidad.
• El tiempo de respuesta permite explorar múltiples alternativas eficientemente y su facilidad de uso permite enfocarse en la búsqueda de agregación de valor para la compañía y no en la creación de expertise que quita valor a la compañía y al Ingeniero (EMPLEABILIDAD…no quedo atado al software X).
• Nuevamente INVERTIMOS tiempo en análisis de la solución y toma de decisiones en plazos coherentes.
CONTACTO
Marcelo Arancibia A.
marcelo@maptek.cl
+56 978774956
+56 232690683
www.maptek.cl